[イーデイリーLee So-Hyun 記者]Kakao(035720)が、マルチモーダル人工知能（AI）の「目」の役割を果たすビジョンエンコーダーを独自に開発し、オープンソースとして公開しました。パラメータ数が1億未満の軽量モデルに至るまで、Google・Meta・Apple・Alibabaなど主要なグローバル企業のビジョンエンコーダーと比較した評価において、高い性能を記録したと、同社は明らかにしました。

カカオは21日、独自開発した「カナナ-2-ビジョン-エンコーダー（Kanana-2-vision-encoder）」2種を、グローバルAIモデルプラットフォーム「ハギングフェイス（Hugging Face）」に公開したと発表しました。

公開されたモデルは、4億2600万パラメータ規模の中型（medium）モデルと、9800万パラメータ規模の軽量（tiny）モデルです。カカオは、去る13日に開催された開発者カンファレンス「If Kakao 26」で、ビジョンエンコーダの公開計画を予告していました。

画像・文書を理解するAIの「目」

ビジョンエンコーダーは、画像内の物体や文字、位置、形状などの視覚情報を抽出し、言語モデルに伝達する役割を果たします。

言語モデルは、これをユーザーの質問と合わせて解釈し、回答を作成します。メニュー表の料理や価格を読み取ったり、文書の内容やレイアウトを理解したり、写真に写っている状況を説明したりするのに活用できます。

カカオは、一般的な視覚質問応答（VQA）、英語・韓国語の文字認識と文書理解、画像内の位置特定と詳細な認識など、9つの領域にわたる計42のベンチマークで、2つのモデルの性能を評価しました。

同社は、評価の結果、Googleの「SigLIP 2」、Metaの「Perception Encoder」、Appleの「AIMv2」、Alibabaの「Qwen 3.5-ViT」など、主要なグローバルビジョンエンコーダーよりも高い総合性能を記録したと説明しました。

特にtinyモデルは、パラメータ数が1億未満であるにもかかわらず、4億以上の規模を持つグローバルモデルと比較しても競争力のある性能を示したというのが、カカオの説明です。

画像内の位置特定や韓国語の試験、韓国語の文字認識・文書理解の分野では、性能の差がさらに顕著だったと明らかにしました。

カカオは、小さな文字や複雑な文書構造の視覚情報を保持する独自の学習技術を適用し、文字認識（OCR）と文書理解の性能を高めたと説明しました。

学習効率4倍…処理遅延を60％以上削減

カカオは、独自開発の言語モデル「カナナ-2」を活用し、ビジョンエンコーダの学習効率を従来比で約4倍に高めたと明らかにしました。

言語モデルの性能をビジョンエンコーダの学習に活用し、高解像度画像から詳細な視覚情報を抽出できるようにしたとのことです。

高解像度画像処理に最適化した設計を適用し、世界の主要なビジョンエンコーダーと比較して処理遅延時間も60％以上短縮しました。

また、知識蒸留と軽量化技術を適用し、中型モデルだけでなく、オンデバイスでの活用まで考慮した軽量モデルも併せて開発しました。

研究にとどまらず、商用利用も許可

カカオは、この2つのモデルに「カナナ・オープン・ライセンス（Kanana Open License）」を適用します。

研究・開発だけでなく、商用利用も許可し、国内外の研究者や企業がマルチモーダルAI技術やサービスの開発に活用できるようにする計画です。

カカオは、ビジョンエンコーダーをはじめ、言語モデルや視覚・音声処理モジュールなど、オムニ言語モデル「カナナ-o」を構成する要素を自社開発しています。今後、他の構成要素も順次公開する予定です。

カカオのユニファイド・ファウンデーション・モデル担当成果リーダーであるノ・ビョンソク氏は、「エージェント型AIの時代において、PCやモバイル画面を直接理解・操作する『コンピュータ・ユース』技術が注目される中、高解像度画像を正確に分析するビジョンエンコーダの役割が大きくなっている」とし、「自社AIモデルの競争力を高め、関連技術を公開することで、AIエコシステムの発展に貢献していきたい」と述べました。